[论文解读] Explainable Global Wildfire Prediction Models using Graph Neural Networks

Dayou Chen, Sibo Cheng+3 more|arXiv (Cornell University)|Feb 11, 2024

Fire effects on ecosystems被引用 6

一句话总结

本论文提出基于GCN-LSTM的模型，将全球气候与野火数据表示为仅陆地的图，以预测月度烧毁面积，在JULES-INFERNO仿真中相较CNN/LSTM基线展现出更高的准确性和可解释性。

ABSTRACT

Wildfire prediction has become increasingly crucial due to the escalating impacts of climate change. Traditional CNN-based wildfire prediction models struggle with handling missing oceanic data and addressing the long-range dependencies across distant regions in meteorological data. In this paper, we introduce an innovative Graph Neural Network (GNN)-based model for global wildfire prediction. We propose a hybrid model that combines the spatial prowess of Graph Convolutional Networks (GCNs) with the temporal depth of Long Short-Term Memory (LSTM) networks. Our approach uniquely transforms global climate and wildfire data into a graph representation, addressing challenges such as null oceanic data locations and long-range dependencies inherent in traditional models. Benchmarking against established architectures using an unseen ensemble of JULES-INFERNO simulations, our model demonstrates superior predictive accuracy. Furthermore, we emphasise the model's explainability, unveiling potential wildfire correlation clusters through community detection and elucidating feature importance via Integrated Gradient analysis. Our findings not only advance the methodological domain of wildfire prediction but also underscore the importance of model transparency, offering valuable insights for stakeholders in wildfire management.

研究动机与目标

• 将野火预测确立为一个关键的、受气候变化驱动的问题，面临缺失海洋数据和长距离依赖等数据挑战。
• 引入基于图的数据表示，以解决全球气候-野火动力学中的海洋数据缺口和长程相互作用。
• 开发混合的GCN-LSTM模型，利用空间图结构和时间序列以提升预测精度。
• 通过社区检测和特征/节点归因分析来展示可解释性。

提出的方法

• 将 JULES-INFERNO 的全球气候与野火数据转换为仅陆地的图，使用 7771 个节点表示陆地像素。
• 使用基于相关性的权重构造边，并将相关性阈值设在相关性的第 10 百分位，以捕捉长程依赖。
• 应用图卷积层（GCL）提取节点之间的空间关系。
• 将 GCN 的输出输入到 LSTM，以建模时间动态并生成多步预测。
• 在未见数据上使用 MSE、RRMSE、SSIM 和 PSNR 针对基线模型（LSTM、Conv-LSTM、CAE-LSTM）进行训练与评估。
• 使用掩蔽陆地数据的图像化形式进行评估，并通过社区检测与归因分析来评估可解释性。

实验结果

研究问题

• RQ1 基于图的全球陆地数据表示是否相较于CNN和CAE方法能够提升野火烧毁面积的预测？
• RQ2 将图卷积层与LSTM（GCN-LSTM）整合是否更好地捕捉野火动力学中的时空相关性？
• RQ3 与基线相比，所提模型在标准预测指标（MSE、RRMSE、SSIM、PSNR）上的表现如何？
• RQ4 从图结构（包括社区检测和特征/节点归因）获得的可解释性洞察是什么？

主要发现

• GCN-LSTM 在 1961–1990 年测试场景中，在所有指标上均达到最佳预测性能。
• MSE: LSTM 0.001505; Conv-LSTM 0.000723; CAE-LSTM 0.000988; GCN-LSTM 0.000498.
• RRMSE: LSTM 0.506152; Conv-LSTM 0.349927; CAE-LSTM 0.409150; GCN-LSTM 0.288990.
• SSIM: LSTM 0.926949; Conv-LSTM 0.950138; CAE-LSTM 0.949862; GCN-LSTM 0.966979.
• PSNR: LSTM 26.784032; Conv-LSTM 31.541234; CAE-LSTM 29.348347; GCN-LSTM 33.366938.
• GCN-LSTM 在30年时序预测中持续优于基线，提供更清晰、局部化的预测。
• 基于图的表达方式自然处理缺失的海洋数据，并通过图边和社区结构揭示可解释的空间关系。